本稿では、画像および動画におけるプロンプト駆動型視覚セグメンテーションを実現する基盤モデルとして、Segment Anything Model 2（SAM 2）を紹介する。我々は、ユーザーのインタラクションを通じてモデルとデータを継続的に改善するデータエンジンを構築し、これまでで最大規模の動画セグメンテーションデータセットを収集した。本モデルは、リアルタイムの動画処理に適したストリーミングメモリを備えた単純なトランスフォーマー構造を採用している。本研究で収集したデータに基づいて学習させたSAM 2は、広範なタスクにおいて優れた性能を発揮する。動画セグメンテーションにおいては、従来手法と比較して3倍少ないインタラクションでより高い精度を達成した。画像セグメンテーションでは、Segment Anything Model（SAM）と比較して精度が向上し、処理速度は6倍速くなっている。本研究で得られたデータ、モデル、および知見が、動画セグメンテーションおよび関連する認識タスクにおける重要なマイルストーンとなると確信している。本研究では、モデルのバージョン、データセット、およびインタラクティブなデモを公開する。